RSM: Schnelleres, genaueres rekursives Modell für NP-Probleme

Ein neues arXiv-Papier präsentiert den Recursive Stem Model (RSM), ein rekursives Reasoning‑Modell, das die Architektur des Tiny Recursive Model (TRM) beibehält, doch die Trainingsmethode radikal verändert. Durch das vollständige Entkoppeln der versteckten Zustandsgeschichte während des Trainings und die Verwendung von „warm‑up“‑Schritten, bei denen nur der finale Schritt mit Loss bewertet wird, lernt RSM einen stabilen, tiefenunabhängigen Übergangsoperator.

Die Kombination aus unabhängiger Skalierung der äußeren Rekursionstiefe (H) und der inneren Rechen­tiefe (L) sowie einem stochastischen Außen‑Übergangsschema reduziert die Trainingszeit um mehr als das Zwanzigfache und senkt die Fehlerquote um etwa das Fünffache im Vergleich zu TRM. Gleichzeitig bleibt die Modellarchitektur unverändert, sodass RSM ohne erneutes Training beliebig viele Refinement‑Schritte zur Inference ausführen kann.

In praktischen Tests erzielt RSM beeindruckende Ergebnisse: Auf dem Sudoku‑Extreme‑Datensatz erreicht es 97,5 % exakte Genauigkeit, während es auf dem 30 × 30‑Maze‑Hard‑Datensatz rund 80 % exakte Genauigkeit in weniger als 40 Minuten erzielt – alles mit einer einzigen A100‑GPU und innerhalb einer Stunde Trainingszeit.

Diese Fortschritte zeigen, dass rekursive Modelle nicht nur schneller und genauer werden können, sondern auch flexibel an unterschiedliche Test‑Zeit‑Anforderungen angepasst werden lassen. RSM eröffnet damit neue Möglichkeiten für die Lösung von rechenintensiven NP‑Problemen in praktischen Anwendungen.